小微型企业网站建立,做网站链接怎么做,焦作建网站,做门户网站公司一、非线性假设
在之前学到的线性回归和逻辑回归中#xff0c;存在一个缺点#xff0c;即当特征数量很多时#xff0c;计算的负荷会变得非常大。考虑一个例子#xff0c;假设我们使用 #x1d465;₁, #x1d465;₂ 的多项式进行预测#xff0c;这时我们可以很好地应…一、非线性假设
在之前学到的线性回归和逻辑回归中存在一个缺点即当特征数量很多时计算的负荷会变得非常大。考虑一个例子假设我们使用 ₁, ₂ 的多项式进行预测这时我们可以很好地应用非线性的多项式项帮助建立更好的分类模型。
特征爆炸问题 假设有大量特征比如超过 100 个变量我们希望用这些特征构建一个非线性的多项式模型将导致大量惊人的特征组合。即便我们只采用两两特征的组合如₁₂ ₁₃ ₁₄ ... ₂₃ ₂₄ ... ₉₉₁₀₀也会有接近 5000 个组合而成的特征。对于普通的逻辑回归来说计算这么多特征是非常困难的。 解决方法 当需要处理大量特征时尤其是在图像识别等领域普通的逻辑回归模型可能无法有效处理。此时我们可以借助神经网络来解决这个问题。
图像识别示例 假设我们要训练一个模型来识别视觉对象比如判断一张图片上是否是一辆汽车。一种方法是利用大量汽车和非汽车的图片然后使用每个像素的值比如饱和度或亮度作为特征。如果我们使用灰度图片每个像素只有一个值而不是 RGB 值对于 50x50 像素的小图片就会有 2500 个特征。如果考虑两两特征的组合构成多项式模型就会有约 3 百万个特征。普通的逻辑回归模型难以处理如此庞大的特征数量因此我们需要使用神经网络。 二、神经元和大脑
神经网络是一个古老的算法最初被设计用于模拟大脑。在这门课中我们将介绍神经网络并探讨它在解决不同机器学习问题上的优越性。在这段视频中我们将了解一些神经网络的背景知识以便了解它们能够解决哪些问题不仅仅是在逻辑上是否可行。我们将深入探讨神经网络涉及的问题以及它们如何应用于现代机器学习问题和其他令人感兴趣的领域。
神经网络最初在20世纪80年代和90年代逐渐兴起并被广泛应用。然而由于计算量大等原因在90年代后期应用有所减少。近年来随着计算机运行速度的提升大规模神经网络的真正运行变得可能。因此神经网络现在是许多应用中最先进的技术之一。 神经网络的产生源于对模仿大脑算法的尝试。如果我们想要构建学习系统为什么不模仿人类大脑呢大脑具有惊人的学习能力可以通过看而不是听的方式处理图像处理触觉并学习各种不同的事情包括数学和微积分。如果我们能够找到一种学习算法使得大脑可以处理不同类型的数据而不是运行上千个不同的程序那将是非常有趣的。
神经科学家进行了一些有趣的实验如神经重接实验。在这些实验中他们切断了从耳朵到听觉皮层的神经然后重新将其连接到动物的大脑上。结果显示听觉皮层可以学会“看”即完成视觉辨别任务。类似的实验也表明其他脑区域也可以学会处理不同类型的感知如触觉。
这些实验证明了一个假设如果将几乎任何传感器连接到大脑的几乎任何部位大脑都能学会处理这些数据。因此我们可以推测存在一种学习算法可以同时处理视觉、听觉和触觉而不需要运行上千个不同的程序或算法。 神经网络的应用不仅限于仿真大脑而且在现代机器学习中也非常有效。
参考资料
[中英字幕]吴恩达机器学习系列课程
黄海广博士 - 吴恩达机器学习个人笔记
